解析和生成 Microsoft Office 2007 文件（.docx、.xlsx、.pptx）

Question

我有一个 Web 项目，必须从用户提供的文档中导入文本和图像，其中一种可能的格式是 Microsoft Office 2007。还需要生成这种格式的文档。

服务器运行 CentOS 5.2，并安装了 PHP/Perl/Python。 如果需要，我可以执行本地二进制文件和 shell 脚本。 我们使用 Apache 2.2，但一旦上线就会切换到 Nginx。

我有什么选择？ 有人有这方面的经验吗？

Answer 1

Office 2007 文件格式是开放的并且有详细记录。 粗略地说，所有以“x”结尾的新文件格式都是 zip 压缩的 XML 文档。 例如：

打开 Word 2007 XML 文件
用于存储的临时文件夹
文件及其部分。

保存 Word 2007 文档，其中包含
文字、图片等元素
.docx 文件。

在文件末尾添加 .zip 扩展名
文件名。

双击该文件。 它将在
ZIP 应用程序。 您可以看到
组成文件的部分。

将零件解压到文件夹中
您之前创建的。

其他文件格式大致相似。 我还不知道有任何开源库可以与它们交互 - 但根据您的具体要求，阅读和编​​写简单文档看起来并不太困难。 当然，它应该比旧格式容易得多。

如果您需要阅读较旧的格式，OpenOffice 有一个 API，并且可以或多或少成功地读写 Office 2003 和较旧的文档。

Answer 2

python docx 模块可以从纯 Python 生成格式化的 Microsoft Office docx 文件。 它开箱即用，可以处理标题、段落、表格和项目符号，但 makeelement() 模块可以扩展以处理任意元素，例如图像。

from docx import *
document = newdocument()

# This location is where most document content lives 
docbody = document.xpath('/w:document/w:body',namespaces=wordnamespaces)[0]

# Append two headings
docbody.append(heading('Heading',1)  )   
docbody.append(heading('Subheading',2))
docbody.append(paragraph('Some text')

Answer 3

我已在项目中成功使用 OpenXML Format SDK 来修改通过代码的 Excel 电子表格。 这需要 .NET，而且我不确定它在 Mono 下的工作效果如何。

Answer 4

您或许可以检查 Sphider 的代码。 他们有文档和 PDF，所以我确信他们可以阅读它们。 还可能引导您了解其他 Office 格式的正确方向。